Većina grešaka u pretvaranju govora u tekst nastaje u zvuku, ne u softveru. Najviše dobiješ s četiri stvari: mikrofon blizu osobe koja govori, malo buke u pozadini, govori jedan po jedan i pravi jezik. Za hrvatski je četvrta točka posebno važna, jer mnogi ugrađeni alati hrvatski uopće ne podržavaju, pa hrvatski govor pokušavaju prepisati kao engleski. Nakon toga govori u cijelim rečenicama ujednačenim tempom, jasno izgovaraj imena i brojeve i pročitaj tekst prije upotrebe. AI prepisivanje zatim može srediti interpunkciju i poštapalice, ali ne može popraviti riječ koju je prijepis krivo čuo.
| Problem u tekstu | Najvjerojatniji uzrok | Što promijeniti |
|---|---|---|
| Riječi nedostaju ili su iskrivljene | Mikrofon predaleko ili buka | Približi telefon, nađi mirnije mjesto |
| Cijeli odlomci su besmisleni | Alat ne podržava hrvatski ili je postavljen drugi jezik | Provjeri podršku za hrvatski; jedan jezik po snimci |
| Imena i nazivi su krivi | Rijetke riječi koje sustav ne očekuje | Izgovori ih jasno, jednom ih sriči, ispravi poslije |
| Dva glasa su se stopila | Ljudi govore jedni preko drugih | Izmjenjujte se; stanka prije odgovora |
| Nema ničega | Tiha ili iznimno slaba snimka | Provjeri razinu; najprije testiraj kratkim isječkom |
Podržava li alat uopće hrvatski?
Prije svih drugih savjeta provjeri ovo. Prema stranicama pomoći koje smo provjerili 25. i 26. rujna 2026.:
- WhatsAppovi transkripti na Androidu podržavaju samo engleski, portugalski, španjolski i ruski; ni popisi za iPhone nemaju hrvatski.
- Googleov Snimač na Pixelu ne navodi hrvatski ni za prijepis u stvarnom vremenu ni za ponovni prijepis.
- Samsungov Transcript assist navodi 16 jezika, bez hrvatskog.
- Gboardov napredni unos teksta govorom (Pixel 6 i noviji) podržava engleski, francuski, japanski, njemački, španjolski i talijanski. Za obično pisanje govorom Google kaže samo da „ne funkcionira na svim jezicima“; je li hrvatski dostupan na tvom uređaju, vidi se u postavkama tipkovnice.
- Zoomov audiotranskript navodi 19 jezika, bez hrvatskog.
Nijedan savjet o mikrofonu neće spasiti prijepis alata koji tvoj jezik ne zna. Više o tome u vodiču WhatsApp transkripcija na hrvatskom.
Mikrofon i prostorija
Googleove preporuke za njegovu uslugu Cloud Speech-to-Text kažu jasno: „Position the microphone as close as possible to the person that is speaking, particularly when background noise is present.“ U praksi:
- Drži telefon blizu usta kad diktiraš, otprilike kao pri razgovoru, i ne pokrivaj otvor mikrofona prstima ili maskom.
- Odaberi mirnu prostoriju. Isključi glazbu, televizor i ventilator. Mala soba s mekanim namještajem odzvanja manje od kuhinje ili stubišta.
- Izbjegavaj vjetar. Vani se okreni leđima vjetru ili koristi slušalice s mikrofonom.
- Ne viči. Google savjetuje i da se izbjegne „audio clipping“: preglasan govor blizu mikrofona izobličuje signal.
- Sastanak snimaj sa sredine stola, ne s kraja, da svaki glas do telefona stiže sličnom jačinom.
Kako govoriš
- Cijele rečenice, ujednačen tempo. Ne moraš govoriti sporo, ali ujednačen govor s kratkim stankama između misli prepisuje se bolje od naleta.
- Jedan jezik po snimci. Prebacivanje s hrvatskog na engleski usred rečenice („moramo napraviti taj deployment do petka“) zbunjuje mnoge sustave. Ako moraš citirati drugi jezik, neka bude kratko.
- Dijalekt i sleng. Standardni izgovor prepisuje se pouzdanije od jakog dijalekta. Ne moraš mijenjati način govora, ali regionalne riječi posebno provjeri u tekstu.
- Imena i brojevi jasno. Neobično ime izgovori jednom polako ili ga sriči: „Siobhan, S I O B H A N“. Reci „petnaest“ razgovijetno da se ne čuje kao „pedeset“.
- Izmjenjujte se. Kad dvoje govori istodobno, obično su oba dijela kriva.
- Kratka stanka nakon pokretanja i prije zaustavljanja snimanja, da ne odreže prvu i zadnju riječ.
Postavke koje su važne
- Odaberi jezik govora gdje ga alat traži. Gboard, WhatsApp i diktafoni imaju svaki svoju postavku jezika, a kriva postavka uništava rezultat.
- Dodaj imena i pojmove ako alat ima rječnik ili popis izraza. Googleova dokumentacija preporučuje savjete za riječi i izraze „to add names and terms to the vocabulary“.
- Čuvaj izvornu datoteku. Svako ponovno snimanje ili komprimiranje gubi detalje. Prepiši datoteku koju je snimio diktafon, a ne kopiju puštenu preko zvučnika. Za svoju uslugu Google preporučuje formate bez gubitaka (FLAC ili LINEAR16) i frekvenciju uzorkovanja od 16 000 Hz.
- Ne dodaj naknadno uklanjanje šuma. Google za svoju uslugu ne preporučuje automatsku regulaciju pojačanja ni uklanjanje šuma i kaže da je njegovo prepoznavanje napravljeno tako da zanemaruje pozadinske glasove i buku.
Snimka koja se teško čuje
Ako je snimka već napravljena i teško se razumije:
- Prepiši cijelu datoteku jednom i vidi koji dijelovi ne prolaze.
- Neuspjele dijelove poslušaj usporeno sa slušalicama i utipkaj ih sam.
- Što ne čuješ, označi s [nejasno] umjesto da pogađaš. Pogođena riječ u citatu ili zapisniku gora je od praznine.
- Ne očekuj čuda od vrlo udaljenog govora. Ako je glas i tebi jedva čujan, ni softver ga neće pouzdano izvući.
Kako sam testirati točnost
Točnost prepoznavanja govora obično se mjeri kao stopa pogrešaka po riječi (WER): WER = (S + D + I) / N, gdje je S broj zamijenjenih riječi, D izostavljenih, I umetnutih, a N broj riječi u točnom referentnom tekstu. Manje je bolje.
Kućna verzija traje pet minuta:
- Odaberi odlomak od oko 100 riječi s nekoliko imena i brojeva.
- Pročitaj ga naglas u svoj alat, u uobičajenim uvjetima.
- Prebroji krive, izostavljene i dodane riječi i podijeli s brojem riječi u odlomku.
- Promijeni jednu stvar (udaljenost, prostoriju, jezik) i ponovi.
Rezultat ti kaže što pomaže tvom glasu, telefonu i prostoriji. Ne uspoređuje alate općenito: objavljena brojka točnosti vrijedi samo za zvuk na kojem je izmjerena.
Što AI prepisivanje popravlja, a što ne
Retexta, aplikacija za Android koja u oblaku pretvara govor u tekst i uz pomoć AI-ja piše gotov tekst, najprije prepisuje, a zatim može tekst preraditi. Prerada pouzdano sređuje ono što sirovi prijepis čini teškim za čitanje:
- interpunkciju, velika slova i odlomke;
- poštapalice i započete rečenice („ovaj, znači, mislim“);
- ponavljanja i razlomljene rečenice.
Ako želiš samo urediti prijepis, cilj Clean up a text (pod More templates) aplikacija opisuje ovako: zadržava tvoj tekst i popravlja gramatiku, interpunkciju i tok. Ciljevi pisanja, kao Write a message ili Take notes, idu dalje i preslažu ono što si rekao. Izbornici su na engleskom i nema hrvatskog sučelja, pa nazive navodimo na engleskom.
Prerada ne može znati da je „Siobhan“ čuto kao „Šivon“ ili da je „petnaest“ trebalo biti „pedeset“. Može čak krivo čutu riječ pretvoriti u tečnu rečenicu koja izgleda ispravno. Zato imena, brojeve, datume i iznose provjeri uz snimku. Retexta rezultate označava natpisom „AI-generated. Check important details.“
Dva detalja iz aplikacije koja pomažu točnosti: Retexta jezik govora prepoznaje sama (hrvatski je na njezinu popisu), pa kratki isječak s cijelom prvom rečenicom daje joj više materijala od jedne riječi. A ako je snimka tiha ili iznimno slaba, to i kaže umjesto da vrati tekst („Transcription finished, but no text was produced“).
Retextu možeš isprobati besplatno: kao novi korisnik dobivaš nekoliko besplatnih Pro rezultata za pregled u aplikaciji, a nakon njih i Transcript only traži Retexta Pro ili kredite. Ciljevi prerade i Import audio dio su paketa Retexta Pro, a za kopiranje, dijeljenje ili izvoz rezultata trebaš Retexta Pro ili kredite.
Nastavi čitati
Snimaš bilješku? Pogledaj pretvaranje govora u tekst na Androidu. Diktiraš umjesto tipkanja? Pročitaj diktiranje e-maila na Androidu. Dva glasa na snimci: transkripcija intervjua. Formati datoteka: MP3 u tekst. Više o aplikaciji: Retexta, govor u tekst za Android.
Izvori
Provjerio FLAME Apps 25. i 26. rujna 2026.
- Google Cloud, Best practices, Cloud Speech-to-Text (na engleskom, zadnja izmjena 18. rujna 2026.): položaj mikrofona, clipping, frekvencija uzorkovanja, formati bez gubitaka, bez regulacije pojačanja i uklanjanja šuma, savjeti za riječi i izraze. To su preporuke za Googleovu vlastitu uslugu.
- Wikipedia, Word error rate (na engleskom): definicija WER = (S + D + I) / N.
- WhatsApp centar za pomoć, How to turn voice message transcripts on or off; Pixel pomoć, Izrada prijepisa, njihovo uređivanje i upravljanje njima; Samsung US Support, Use Voice Recorder with Galaxy AI; Gboard pomoć, Pisanje glasovnim unosom i Upotreba naprednih značajki unosa teksta govorom; Zoom Support, Using audio transcription for cloud recordings: popisi jezika.
- Kod aplikacije Retexta (Android, verzija 2026.1.23): automatsko prepoznavanje jezika i popis jezika s hrvatskim (
RecordScreen.kt,TranscriptionLanguageCatalog.kt), opis cilja Clean up a text i poruke o pogreškama (tekstovi aplikacije).
